| 初始化 |
| (1)从迭代计数器。初始化添加剂预测和一个偏移值。 |
| 指定一组预测函数作为base-learners;通常每个 |
| base-learner变量是一个回归函数将一个可能的候选人。 |
| 特定组件的拟合base-learners |
| (2)设置迭代计数器。 |
| (3)适应base-learners,一个接一个: |
| 梯度增加 |
| Base-learners安装的负梯度向量的损失函数(如负 |
| 对数似),评估目前添加剂预测。为了确保小步骤, |
| base-learner适合乘以一个小的步长因子,:。 |
| 基于可能性增加 |
| Base-learners估计通过最大化整体的可能性,使用费舍尔的一步 |
| 得分与当前添加剂预测为抵消。为了确保小步骤,一个点球 |
| 项是连着的可能性。 |
| 表现最佳更新组件 |
| (4)选择表现最好的base-learner: |
| 梯度增加 |
| 基于残差平方和最小的负梯度向量。 |
| 基于可能性增加 |
| 基于最大的整体更新后的可能性。 |
| (5)更新添加剂通过相应的base-learner预测: |
|
|
| 迭代 |
| 重复步骤(2)(5)直到。的参数是主要的调优参数, |
| 通常选择通过重采样过程。 |
